CHAPTER 09   /   特征理论II:线性变换与若当标准型

9.2线性映射的核与像

第 40 / 46 节3 分钟阅读

设 TT:V→WV \to W 线性。核记录被映到零的输入,像记录实际可以得到的输出,它们分别是定义域与目标空间的子空间。

ker⁡(T)={v∈V:T(v)=0}Im⁡(T)={T(v):v∈V}⊆WT单射  ⟺  ker⁡(T)={0}T满射  ⟺  Im⁡(T)=W\begin{gathered}\ker (T) = \{v \in V : T(v) = 0\} \\ \operatorname{Im}(T) = \{T(v) : v \in V\} \subseteq W\\[.5em] T \text{单射} \iff \ker (T) = \{0\} \\ T \text{满射} \iff \operatorname{Im}(T) = W\end{gathered}

核还决定了同一输出对应哪些输入。若 T(v0)=wT(v_{0}) = w,则 ww 的全部原像恰为 v0+ker⁡(T)v_{0} + \ker (T)。把核中的差异视为等价,便得到第8章的第一同构定理:

V/ker⁡T≅Im⁡Tv+ker⁡T⟼T(v)\begin{gathered}V/\ker T\cong\operatorname{Im}T\\v+\ker T\longmapsto T(v)\end{gathered}

VV 有限维时,核的维数与像的维数之和等于定义域维数,这就是秩与零度的关系。先取核的一组基,再扩充成 VV 的基,补入的基向量的像构成 Im⁡(T)\operatorname{Im}(T) 的一组基。

dim⁡V=dim⁡ker⁡(T)+dim⁡Im⁡(T)rank⁡(T)=dim⁡Im⁡(T)dim⁡V=n,dim⁡W=m时:0≤rank⁡(T)≤min⁡(m,n)\begin{gathered}\dim V = \dim \ker (T) + \dim \operatorname{Im}(T) \\ \operatorname{rank}(T) = \dim \operatorname{Im}(T)\\[.5em] \dim V = n \text{,} \dim W = m \text{时:} \\ 0 \le \operatorname{rank}(T) \le \min (m, n)\end{gathered}

因此,同维有限维空间之间的线性映射,单射、满射、可逆三者等价。对矩阵映射 x↦Axx \mapsto Ax,核就是 Ax=0Ax = 0 的解空间,像就是 AA 的列空间,得到 dim⁡Null⁡(A)=n−rank⁡(A)\dim \operatorname{Null}(A) = n - \operatorname{rank}(A)。

维数相加等于 dim⁡V\dim V,并不自动给出 V=ker⁡(T)⊕Im⁡(T)V = \ker (T) \oplus \operatorname{Im}(T)。若 TT 是 VV 上的幂等变换 PP,则有下述分解:

P2=P  ⟹  V=Im⁡(P)⊕ker⁡(P)v=Pv+(v−Pv)P是平行于ker⁡(P)、投到Im⁡(P)上的投影\begin{gathered}P^{2} = P \implies V = \operatorname{Im}(P) \oplus \ker (P) \\ v = Pv + (v - Pv)\\[.5em] P \text{是平行于} \ker (P) \text{、投到} \operatorname{Im}(P) \text{上的投影}\end{gathered}

这个结论把“投影”与“幂等变换”联系起来,也说明子空间可以通过适当投影的像或核来描述。

读完这一节了吗?

标记后,可以在目录中找到自己的学习进度。

试试「线性无关」「秩」或「特征值」

搜索全部 46 节内容 ↑ ↓ 选择   ↵ 打开